排序方式： 共有6条查询结果，搜索用时 12 毫秒
1
1.
高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重.为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度).然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求.为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scattering model,SSM).通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果. 相似文献
2.
3.
传统的遥感地质填图方法较少考虑到一个像元中多种地物共生存在的情况,因此所填图件难以反映矿物的分布特征。针对线性混合模型解混精度不高的问题,使用二次散射非线性混合模型对高光谱数据进行光谱解混,并在此基础上,提出了k(k≥2)类地物的填图规则。采用美国内华达州Cuprite地区AVIRIS数据进行填图实验,将其结果与Clark等的填图结果进行对比。实验结果表明:与线性模型的矿物填图相比,基于二次散射非线性混合模型所填图件更加接近矿物的真实分布;使用k(k≥2)类矿物填图规则的填图结果细节丰富,与Clark等人的填图结果吻合度高。 相似文献
4.
针对传统IHS遥感影像融合的光谱扭曲和易引入噪声问题,提出了一种基于Kurtosis-IHS的遥感影像融合方法：从多光谱图像强度分量与全色图像最优逼近的角度出发,迭代求解多光谱各波段图像融合系数,减少光谱失真;根据全色图像的峭度获取其细节分量,达到抑制噪声的目的;最后使用基于Kurtosis-IHS的融合公式得到融合结果.实验选取2组实际遥感数据,结果表明,融合方法在CC、ERGAS、RASE、RMSE及SID 5个光谱性能评价指标上均优于传统的IHS、PCA、DWT及NSCT融合方法,在第二组遥感影像融合测试中,Kurtosis-IHS方法比传统IHS方法的5个指标分别提高了41.80％、57.09％、57.11％、57.11％、49.74％;在含噪环境下,融合方法的融合结果PSNR值均达到最大.所提出的Kurtosis-IHS方法优于传统的IHS融合方法,在提高空间分辨率的同时,具有较好地保持光谱信息及有效抑制噪声的优点. 相似文献
5.
6.
为解决合成孔径雷达(SAR)图像存在大量混合像元的问题,针对传统ICA不能有效解决混合像元分解这一缺陷,提出一种新的独立成分分析算法--有监督学习ICA算法(SL-ICA).其目标函数是在原ICA负熵目标函数基础上增加监督学习的约束条件项,进而在同一目标函数内实现负熵和约束条件的统一,在最大化负熵的同时也最小化了约束条件的误差,此外,采用一种新的双梯度下降法优化迭代,提高计算速度.并以人工模拟SAR图像和北京地区ENVISAT-ASAR作为数据源进行实验,实验结果明显优于主成分分析方法(PCA)的分解结果. 相似文献
1